IDC 在 2026 年做了一项覆盖 623 家年营收超过 10 亿美元企业的研究，由 Solace 赞助，样本横跨八个国家，访谈对象是企业里的资深技术决策者。研究想回答一个被反复提起、却少有量化答案的问题：为什么很多企业在试点智能体，真正跑进生产系统的却不多。结论里最反直觉的一条是——阻碍智能体投产的头号因素，不是模型质量，也不是成本，而是把智能体实时连上可信的企业数据这件事本身。
投产的头号障碍是数据，不是模型
研究把企业按实时数据成熟度分成四档，从 Emerging 到 Leaders。在 Leaders 这一档，59% 的组织已经有多个智能体跑在生产里，而在 Emerging 这一档，这个比例只有 20%；与此同时，76% 的 Leader 在多数或全部工作流里运行实时数据，Emerging 档只有 7%。两组数字的落差说明，实时数据的打通程度，与智能体能否投产高度相关。当模型能力不再是企业之间的主要分水岭，数据通的快慢与可信度，反而成了决定智能体能不能落地的关键。
为什么是实时而非有数据？原因在于，生产级智能体不是一次性问答，而是持续决策：它要在事件发生的当下，依据可信的业务数据做判断，而不是依赖一份隔夜导出的静态快照。RAG 与批量管道能解决有没有知识的问题，却很难解决此刻的数据是否可信、是否够新。研究因此把实时连接可信数据排在模型质量与成本之前，本质上是把工程重心从换更好的模型挪到了修通数据链路。
实时数据成熟度与投产率互为因果
值得进一步拆解的是，实时数据成熟度与智能体投产率之间并非单向因果。一方面，数据通得好的企业更容易把智能体用起来；另一方面，智能体一旦投产，又会反过来要求更实时、更可信的数据供给，推动企业改造数据底座。研究还指出，这种成熟度与组织规模基本无关——从中型市场到大型企业在样本里起伏不大，说明瓶颈不在预算，而在架构与治理。这对很多把问题归结为买不起更好模型的团队，是一记提醒。
把视线拉回落地，这份研究的启发很务实：与其继续在模型选型上内卷，不如先盘清智能体要决策的业务环节，看看支撑它的数据是否实时、是否可信、是否有权限边界。对数据团队，这意味着事件驱动、低延迟与流式架构会从锦上添花变成智能体基建的必选项；对传统数仓团队，则要补上实时摄取与数据契约的能力。当然，研究本身也有赞助方视角，Solace 作为实时数据基础设施厂商，其结论天然偏向强调实时的重要性，读者在引用时应保留这一层背景。
需要打折扣看的部分
客观地说，这份研究是单一赞助方支持、样本限于大型企业，结论外推到中小企业时需谨慎。其一，623 家样本虽覆盖八国，但不同行业的实时数据基础差异巨大，跨行业比较要打折扣；其二，实时连上可信数据作为头号障碍，是受访者的主观排序，未必经过严格的因果识别；其三，研究的成熟度分层依赖复合评分，权重的设定会影响档位分布。对工程团队，更有价值的不是记住百分比，而是把数据实时性与可信度列入智能体立项时的前置评估项：先确认决策所需的数据能否以足够低的延迟、足够清晰的权属进入智能体上下文，再谈模型与编排。对国内企业，尤其是数据孤岛严重的传统行业，这条结论更有针对性——智能体落地的天花板，常常不在模型，而在数据治理的欠账。对平台厂商，研究也暗示实时数据能力会成为智能体方案里更被看重的卖点。目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。